Reconstructing Turbulent Flows Using Physics-Aware Spatio-Temporal Dynamics and Test-Time Refinement

要約

タイトル：物理に着目した空間時間運動とテスト時の改良を利用した乱流流れの再構築
要約：
– 乱流流れのシミュレーションは、航空宇宙工学、環境科学、エネルギー産業、医学など多くの社会的に重要なアプリケーションにとって重要です。
– 大規模渦動シミュレーション（LES）は、計算コストが低いため、乱流流れのシミュレーションに直接数値シミュレーション（DNS）の代わりとして広く使用されています。
– しかし、LESは乱流輸送のすべてのスケールを正確に捉えることができないため、科学や工学の多くの分野において低解像度LESからDNSを再構築することは重要ですが、乱流流れの空間時間的な複雑さにより既存のスーパーレゾリューション方法に多くの課題が発生します。
– 本研究では、低解像度LESデータからDNSを再構築するための物理指導型ニューラルネットワークを提案しています。
– 提案手法は、流れの動力学に基づく偏微分方程式を空間時間モデルアーキテクチャの設計に活用しています。
– さらに、物理的な制約を強制し、長期間にわたる蓄積された再構築誤差をさらに減少させるための劣化ベースの改良方法も開発されています。
– 2種類の異なる乱流流れデータに関する結果は、提案手法が高解像度のDNSデータを再構築することと、流れ輸送の物理的特性を維持することで優れていることを確認しています。

要約(オリジナル)

Simulating turbulence is critical for many societally important applications in aerospace engineering, environmental science, the energy industry, and biomedicine. Large eddy simulation (LES) has been widely used as an alternative to direct numerical simulation (DNS) for simulating turbulent flows due to its reduced computational cost. However, LES is unable to capture all of the scales of turbulent transport accurately. Reconstructing DNS from low-resolution LES is critical for many scientific and engineering disciplines, but it poses many challenges to existing super-resolution methods due to the spatio-temporal complexity of turbulent flows. In this work, we propose a new physics-guided neural network for reconstructing the sequential DNS from low-resolution LES data. The proposed method leverages the partial differential equation that underlies the flow dynamics in the design of spatio-temporal model architecture. A degradation-based refinement method is also developed to enforce physical constraints and further reduce the accumulated reconstruction errors over long periods. The results on two different types of turbulent flow data confirm the superiority of the proposed method in reconstructing the high-resolution DNS data and preserving the physical characteristics of flow transport.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI